正则表达式——POSIX字符组

前面介绍了常用的字符组，但是在某些文档中，你可能会发现类似[:digit:]、[:lower:]之类的字符组，看起来不难理解（digit就是"数字"，lower就是"小写"），但又很奇怪，它们就是POSIX字符组（POSIX Character Class）。因为某些语言的文档中出现了这些字符组，为避免困惑，这里有必要做个简要介绍。如果只使用常用的编程语言，可以忽略文档中的POSIX字符组，也可以忽略本节；如果想了解POSIX字符组，或者需要在Linux/UNIX下的各种工具（sed、awk、grep等）中使用正则表达式，最好阅读本节。

之前介绍的字符组，都属于Perl衍生出来的正则表达式流派（Flavor），这个流派叫做PCRE（Per Compatible Regular Expression）。在此之外，正则表达式还有其他流派，比如POSIX（Portable Operating System Interface for uniX），它是一系列规范，定义了UNIX操作系统应当支持的功能，其中也包括关于正则表达式的规范，[:digit:]之类的字符组就是遵循POSIX规范的字符组。

常见的[a-z]形式的字符组，在POSIX规范中仍然获得支持，它的准确名称是POSIX方括号表达式（POSIX bracket expression），主要用在UNIX/Linux系统中。POSIX方括号表达式与之前所说的字符组最主要的差别在于：在POSIX字符组中，反斜线\不是用来转义的。所以POSIX方括号表达式[\d]只能匹配\和d两个字符，而不是[0-9]对应的数字字符。

为了解决字符组中特殊意义字符的转义问题，POSIX方括号表达式规定：如果要在字符组中表达字符]（而不是作为字符组的结束标记），应当让它紧跟在字符组的开方括号之后，所以[]a]能匹配的字符就是]或a；如果要在字符组中标识字符-（而不是"-范围表示法"），就必须将它放在字符组的闭方括号]之前，所以[a-]能匹配的字符就是a或-。

另一方面，POSIX规范还定义了POSIX字符组（POSIX character class），它大致等于之前介绍的字符组简记法，都是使用类似[:digit:]、[:lower:]之类有明确意义的记号表示某类字符。

表1-2简要介绍了POSIX字符组，注意表格中与其对应的是ASCII字符组，也就是能匹配的ASCII字符（ASCII编码表中码值在0~127之间的字符）。因为POSIX规范中有一个重要概念：locale（通常翻译为"语言环境"），它是一组与语言和文化相关的设定，包括日期格式、货币币值、字符编码等。POSIX字符组的意义会根据locale的变化而变化，表1-2介绍的只是这些POSIX字符组在ASCII编码中的意义；如果换用其他的locale（比如使用Unicode字符集），它们的意义可能会发生变化，具体请参考第129页。

表1-2  POSIX字符组

POSIX字符组	说明	ASCII字符组	等价的PCRE 简记法
[:alnum:]*	字母字符和数字字符	[a-zA-Z0-9]
[:ASCII:]	ASCII字符	[\x00-\x7F]
[:alpha:]	字母	[a-zA-Z]
[:blank:]	空格字符和 制表符	[ \t]
[:cntrl:]	控制字符	[\x00-\x1F\x7F]
[:digit:]	数字字符	[0-9]	\d
[:graph:]	空白字符之 外的字符	[\x21-\x7E]
[:lower:]	小写字母字符	[a-z]
[:print:]	类似[:graph:]，但包括空白字符	[\x20-\x7E]
[:punct:]	标点符号	[][!"#$%&'()*+,./:;<=>?@\^_`{|}~-]
[:space:]	空白字符	[ \t\r\n\v\f]	\s
[:upper:]	大写字母字符	[A-Z]
[:word:]*	字母字符	[A-Za-z0-9_]	\w
[:xdigit:]	十六进制字符	[A-Fa-f0-9]

注：标记*的字符组简记法并不是POSIX规范中的，但使用很多，一般语言中都提供，文档中也会出现。

POSIX字符组的使用也与PCRE字符组简记法的使用有所不同，主要区别在于，PCRE字符组简记法可以脱离方括号直接出现，而POSIX字符组必须出现在方括号内。所以同样是匹配数字字符，PCRE中可以直接写\d，而POSIX字符组必须写成[[:digit:]]。

在本书介绍的6种语言中，Java、PHP、Ruby支持使用POSIX字符组。

在PHP中可以直接使用POSIX字符组，但是PHP中的POSIX字符组只识别ASCII字符，也就是说，任何非ASCII字符（比如中文字符）都不能由任何一个POSIX字符组匹配。

Ruby的情况稍微复杂一点。Ruby 1.8中的POSIX字符组只能匹配ASCII字符，而且不支持[:word:]和[:ASCII:]；Ruby 1.9中的POSIX字符组可以匹配Unicode字符，而且支持[:word:]和[:ASCII:]。

Java中的情况更加复杂。POSIX字符组[[:name:]]必须使用\p{name}的形式，其中name为POSIX字符组对应的名字，比如[:space:]就应当写作\p{Space}，请注意第一个字母要大写，其他POSIX字符组都是这样，只有[:xdigit:]要写作\p{XDigit}。并且Java中的POSIX字符组，只能匹配ASCII字符。